`

华泰金工 | 红利因子择时与2025Q1行业ETF投资建议 ETF智投研究系列之三

创建于 更新于

摘要

本报告基于红利因子净值温和趋势特征,采用多组双均线趋势择时模型显著跑赢基准,现策略发出看多信号。结合全球经济周期模型与中国宏观因子分析,判断红利类资产具备较强防守属性,建议提升其在A股配置中比重。行业轮动模型表现优异,红利类及金融、交通等行业得分靠前,AI行业轮动融合信号年化收益达21.43%,夏普比率1.33。公募主动基金在行业轮动配置上表现不佳,建议审慎参考。报告提供详尽量化模型框架及回测数据,辅以丰富图表展示,指导2025Q1 ETF投资布局 [page::0][page::2][page::4][page::6][page::8][page::9]

速读内容

  • 红利因子的构建与趋势择时模型 [page::1][page::2]


- 基于中证全指成分股,筛选高现金股息率股票构造红利因子。
- 红利因子净值走势平稳,适合采用趋势模型择时。


- 结合银行间市场成交量和期限利差两大宏观指标辅助择时,成交量放大利好红利,期限利差扩大利空。
- 采用45组双均线参数,统计“金叉”/“死叉”比例打分,得分≥+1开仓,≤-1清仓。

- 回测2017年至2025年:趋势择时年化收益16.71%,较基准提升5.64个百分点,最大回撤降低9.42个百分点,调仓频率低(平均52交易日一次),策略持有信号为正。
| 回测区间 | 年化收益 | 年化波动 | 夏普比率 | 最大回撤 | 卡玛比率 |
|-------------------|----------|----------|----------|----------|----------|
| 红利因子 | 11.07% | 17.14% | 0.65 | -26.95% | 0.41 |
| 趋势择时 | 16.71% | 13.03% | 1.28 | -17.53% | 0.95 |
  • 中证红利指数趋势择时模型与开仓阈值敏感性分析 [page::3][page::4]



| 开仓阈值 | 开仓次数 | 年化收益 | 年化波动 | 夏普比率 | 最大回撤 | 卡玛比率 |
|----------|----------|----------|----------|----------|----------|----------|
| 0.55 | 37 | 16.71% | 13.03% | 1.28 | -17.53% | 0.95 |
| 0.60 | 34 | 18.36% | 13.15% | 1.40 | -19.27% | 0.95 |
| 0.65 | 25 | 19.79% | 13.35% | 1.48 | -21.75% | 0.91 |
| 0.70 | 27 | 19.10% | 13.72% | 1.39 | -20.12% | 0.95 |
| 0.75 | 26 | 19.77% | 13.72% | 1.44 | -19.25% | 1.03 |
| 0.80 | 27 | 15.57% | 14.20% | 1.10 | -19.21% | 0.81 |
- 开仓阈值提升可减少交易频率且大部分提升策略表现,表现较鲁棒。
  • 国内外宏观环境及全球经济周期模型分析 [page::4][page::5]






- 全球经济周期拟合显示2025Q1或进入防守周期,中国内需或发力,利率仍有下行空间,利好红利类资产。
- 中国增长、信用、通胀因子见底尚需时日,货币因子趋弱。
  • 华泰金工月度行业轮动模型及AI周度行业轮动模型表现总结 [page::6][page::7][page::8]



| 回测区间 | 年化收益 | 夏普比率 | 最大回撤 | 绝对收益 | 夏普比率 | 最大回撤 |
|-----------------------|----------|----------|----------|----------|----------|----------|
| 2016-04-30至2025-01-03 | 15.54% | 0.67 | -30.86% | - | - | - |
| 2024-09-30至2025-01-03 | -3.44% | -1.35 | -12.91% | - | - | - |



| 回测区间 | 年化收益 | 夏普比率 | 最大回撤 | 绝对收益 | 夏普比率 | 最大回撤 |
|-----------------------|----------|----------|----------|----------|----------|----------|
| 2022-09-30至2025-01-03 | 21.43% | 1.33 | -15.53% | - | - | - |
| 2024-09-30至2025-01-03 | 0.53% | 0.08 | -10.71% | - | - | - |
- 行业轮动模型由景气趋势和残差动量两个子策略组成,信号低相关融合,月度调仓。
- AI行业轮动模型由端到端GRU量价模型和双目标遗传规划两子模型组成,周度调仓。
- 当前行业轮动模型更看好红利类行业及金融、交通运输等行业。
  • 公募主动型基金行业配置趋势及行业轮动超额收益 [page::9][page::10]

| 行业名称 | 上季度初配置比例估算 | 最新配置比例估算 | 配置比例变化 | 贡献的累计超额收益 |
|--------------|---------------------|-----------------|------------|-------------------|
| 医药 | 7.58% | 9.89% | 2.31% | 0.194% |
| 机械 | 5.61% | 5.28% | -0.33% | 0.118% |
| 轻工制造 | 2.57% | 2.26% | -0.31% | 0.057% |
| 电力及公用事业 | 2.10% | 1.63% | -0.47% | 0.010% |
| 交通运输 | 2.60% | 2.52% | -0.08% | 0.009% |
| ... | ... | ... | ... | ... |
| 总计 | | | | -0.370% |


- 典型成长行业(医药、电子等)与价值行业(银行、非银金融等)主动型基金配置比例变化趋势明显。
- 主动基金整体行业轮动贡献为负,2024Q4表现落后行业等权基准0.37%。
  • 风险提示及免责声明 [page::9][page::10]

- 模型基于历史规律,可能失效且有适用条件限制。
- 行业模型表现受市场主线影响明显,AI行业轮动模型在强主线环境下效果更佳。
- 报告不构成具体个股或行业投资建议,提醒投资者谨慎决策。

深度阅读

华泰金工 | 红利因子择时与2025Q1行业ETF投资建议——报告详尽分析



---

一、元数据与概览


  • 报告标题:华泰金工 | 红利因子择时与2025Q1行业ETF投资建议 ETF智投研究系列之三

- 作者:林晓明、徐特等
  • 发布机构:华泰证券金融工程团队,华泰睿思

- 发布时间:2025年1月9日
  • 主题:围绕红利因子在A股市场的择时策略,结合宏观经济周期和行业轮动模型,为2025年第一季度的行业ETF投资提出建议。


核心论点摘要
  1. 红利因子净值走势稳定,适合采用趋势模型择时,结合多组双均线模型与宏观指标(银行间市场成交量、期限利差)进行信号判断,当前信号转为看多。

2. 全球经济周期模型显示2025年Q1可能进入防守区,红利类资产因其相对防守属性具投资价值,建议提升其在A股占比。
  1. 行业轮动模型推荐银行、非银行金融、交通运输等红利类行业,模型和AI子模型均表现优异。

4. 公募主动基金未充分跟进红利类行业配置,主动基金组合因风格偏好成长板块导致超额收益偏负。

报告整体立足量化模型分析和宏观逻辑结合,提出了较为明确的“提高红利类资产配置比重”的投资建议,结合行业轮动模型具体点名优先关注的行业和方向。[page::0,1,4,6]

---

二、逐节深度解读



1. 红利因子趋势择时模型当前发出看多信号


  • 模型构建与测算

- 选取中证全指成分股,剔除ST及上市不足63个交易日个股。
- 保留近三年连续现金分红且股利支付率合理的股票。
- 按过去三年平均现金股息率分为十组,计算红利因子日收益率(高股息组减低股息组收益)并累计得到净值序列。
- 红利因子净值表现温和,波动不剧烈,适宜使用趋势策略避免频繁震荡带来的损耗。[page::1]
  • 宏观指标辅助

- 选取银行间市场成交量与期限利差作为衡量“资产荒”程度的指标。
- 银行间市场成交量增加,表明资金空转难找投资渠道,有利红利资产。
- 期限利差扩大(借短买长收益增加),则利空红利资产。
- 这两个指标均为日频数据,满足大数定律,合适双均线趋势信号配合红利因子自身趋势判断。[page::1,2]
  • 择时策略细节

- 使用多组双均线参数(短均线窗长1到20,长均线窗长5到250,45组组合)降低参数敏感性。
- 分别统计“金叉”与“死叉”出现比例,当比例超过0.55记+1,低于0.45记-1,其他记0,三个信号得分合计在[-3,3]。
- 当总得分≥+1开仓红利因子,≤-1清仓,交易频率低,平均开仓间隔约2-3个月。
- 回测区间2017年至2025年初,趋势择时策略年化收益16.71%,较基准提高5.64个百分点,回撤降低9.42个百分点,夏普比率大幅提升,体现择时价值。[page::2]
  • 对中证红利指数的择时

- 采用50%中证红利+50%中证全指作为基准调仓,策略依然有效,年化收益比基准提升4.72个百分点。
- 开仓阈值调整显示阈值在0.60-0.75区间均表现优异,且开仓次数减少,说明参数鲁棒性强。
- 当前模型发出看多信号。[page::3,4]

2. 国内低利率环境利好红利类资产


  • 全球经济周期模型

- 基于股票、利率、商品、外汇同比序列的主成分分析,融合傅里叶变换和高斯滤波处理,构建三周期拟合曲线。
- 2025Q1全球经济周期可能转入防守区间,意味着传统进攻资产风险加大,防守资产受益。
- 作为防守属性较强的资产类别,红利资产具备配置提升的合理性。[page::4]
  • 中国宏观环境分析

- 国内增长、信用和通胀因子尚未见底回升,货币因子仍在下行,说明经济及政策刺激仍处调整期。
- 利率仍有下行空间,利好股息率高、估值较低的红利类资产。
- 由于美国等发达国家需求减弱,出口压力加大,内需成为经济动力源,因此内需相关防守资产更加重要。[page::5]

3. 行业轮动模型中红利类行业得分靠前


  • 行业轮动模型设计

- 模型分为景气趋势子策略和残差动量子策略,两者低相关,信号叠加使用。
- 景气趋势策略基于宏观、中观、微观视角预测行业盈利能力及边际变化,属于Beta风险控制策略。
- 残差动量策略采用技术分析捕获行业特定异动(如技术进步、政策等)。
- 每月调仓,推荐五个行业等权配置。[page::5,6]
  • 模型回测表现

- 自2016年起回测,年化收益15.54%,夏普0.67,显著优于行业等权基准。
- 2024年Q4表现稍逊于等权基准,累计跑输6.91%。
- 本季度首选行业有银行、非银行金融、交通运输等红利类权重行业,符合宏观经济和资产荒逻辑。[page::6]
  • AI周度行业轮动模型

- 采用端到端深度学习(GRU)与双目标遗传规划两种建模途径。
- GRU模型利用多频率量价数据预测个股收益,合成为日频、周频行业得分。
- 遗传规划方法直接从行业量价数据挖掘低相关因子,提升因子多样性与有效性。
- 两子模型组合等权,周度调仓。
- 回测年化收益21.43%,夏普1.33,回撤较低,2024Q4维持正向超额收益。
- 当前推荐首选为银行、非银行金融行业,技术含量高,适合短期动态把握。[page::7,8]

4. 主动基金行业配置及行业轮动影响


  • 主动基金行业配置测算

- 采用Lasso回归方法估计普通股票型及偏股混合基金行业配置比例。
- 数据来源为基金净值及个股持仓,结合行业分布做约束。
- 对行业配置变动与行业收益率乘积累积,估计行业对主动基金季度超额收益贡献。
- 统计显示2024Q4主动基金整体因风格偏成长板块而使行业轮动产生负超额,累计约-0.37%。
- 成长行业如医药、机械虽配置有所提升,但整体影响不及金融相关领域的积极信号。
- 价值偏好行业如银行、非银行金融配置降低,导致一定收益损失。[page::9]
  • 行业风格资金流动态

- 典型成长风格基金近一年维持较高医药、电子、国防军工配置。
- 典型价值风格基金持续加仓交通运输、非银行金融、电力及公用事业和银行部门。
- 当前市场风格与行业轮动的错配可能带来收益机会,支持红利因子的配置建议。[page::10]

---

三、图表深度解读



图表1:红利因子收益率与净值曲线


  • 红利因子日收益率波动幅度较小,净值走势平稳向上,体现了红利因子的低波动防守属性。

- 净值未见明显急涨跌,适合趋势模型进行择时,避免高频交易的噪声影响。[page::1]

图表2、3:银行间市场成交量与期限利差与红利因子净值对比


  • 银行间成交量整体上涨趋势与红利因子净值同步上行,具有正相关关系。

- 期限利差与红利因子净值呈负相关,高期限利差阶段红利因子净值相对承压。
  • 两指标作为“资产荒”度量,辅佐择时模型调节买卖信号。[page::2]


图表4:红利因子趋势择时净值曲线


  • 择时策略净值显著高于基准,表现出趋势择时显著提升投资收益。

- 净值曲线显示择时策略更平滑,回撤明显改善。[page::2]

图表5:业绩指标对比表


  • 年化收益率:择时16.71% vs 基准11.07%。

- 年化波动率:择时13.03%明显低于基准17.14%。
  • 夏普比率:择时1.28几乎翻倍基准0.65。

- 最大回撤:择时-17.53%明显优于基准-26.95%。
  • 卡玛比率改善明显,预示回撤恢复速度更快。

- 体现策略在风险调整后的超额收益能力。[page::2]

图表6、7:中证红利择时净值与业绩指标


  • 同步验证择时策略在红利指数基础上提升收益及降低回撤,尽管采用了混合基准,曲线差异依然显著。

- 业绩指标与整体趋势选股处理方式保持一致,阈值调节赋予良好鲁棒性。[page::3]

图表8、9:开仓阈值敏感性分析


  • 净值曲线表明0.60至0.75阈值内收益曲线较优且较为稳定,过大或过小阈值表现回落。

- 业绩数据中年化收益在0.65、0.70和0.75阈值达到峰值,夏普率也相对更高,开仓次数较少有助于降低交易成本与噪声。
  • 明确策略调节空间及稳健性。[page::3,4]


图表10-14:全球及国内宏观因子三周期滤波


  • 图10显示典型全球市场因子自2024年中至2025年初波动向下,拟合曲线也显示周期波动即将进入防守期。

- 图11-14分别展示中国增长、通胀、信用和货币因子的三周期滤波,均显示近期处于回落或下行趋势,尤其货币因子持续下滑,隐含流动性宽松环境。
  • 宏观层面印证红利类资产配置逻辑。[page::4,5]


图表15-17:月度行业轮动模型架构与回测成果


  • 图15展示组合模型框架,结合景气趋势和残差动量,融合宏观、中观、微观信息实现行业景气精准捕捉。

- 图16净值曲线明显优于行业等权基准,回撤控制较好,但近期阶段性出现波动。
  • 业绩指标显示模型自2016年维持相对稳健的超额收益,但近期因宏观波动出现调整。[page::6]


图表18:各月持有行业与排名


  • 2025年1月重点行业为通信、交通运输、非银行金融、家电、银行,反映行业轮动模型对典型红利类行业的青睐。

- 其轮动逻辑与宏观经济环境和资产荒预期高度一致。[page::6]

图表19-22:AI周度行业轮动模型及融合信号表现


  • 图19-20详细解释了全频端GRU模型和双目标遗传规划模型的构建与优化流程。

- 模型充分利用大量频次量价数据并优化因子选取,以最大程度降低相关性并提升预测稳定性。
  • 图21净值曲线显示融合模型年化21.43%,夏普1.33,在近两年市场波动中表现稳健,远超等权基准。

- 模型推荐行业集中于金融板块及能源等稳健行业,引导投资者关注具备防守属性的红利类行业。[page::7,8]

图表24-26:主动基金行业配置变化及超额收益贡献


  • 表格及图表展示大量成长风格基金偏好医药、电子等行业,价值风格基金则青睐交通运输、非银金融和银行。

- 但整体配置变动未能较好追随行业轮动模型信号,导致2024Q4主动型基金累计超额收益-0.37%。
  • 行业布局与收益贡献数据定量揭示主动基金风格与市场热门行业错配态势。[page::9,10]


---

四、估值分析



报告主体基于因子分析和趋势择时模型,未深入涉及具体个股估值模型(如PE、DCF等),而是通过量化择时模型及宏观周期模型指导资产配置和行业选择,侧重相对价值和资产配置的结构优化。

本质是应用统计学及机器学习方法进行定量择时和行业轮动,结合宏观周期判断,下沉至ETF和行业层面,促进稳健的资产防守策略。

---

五、风险因素评估


  1. 历史规律失效风险

- 报告基于历史表现和统计规律构建模型,未来市场参与者行为变化可能导致历史特征失效,行情不再遵循景气度和经典因子反应。
  1. 模型适用性风险

- 各类模型在不同市场条件下表现不同,如AI行业轮动模型表现受市场主线强弱影响较大。
  1. 行业具体投资建议限制

- 报告明确指出提及的行业不构成具体投资操作建议,投资者需谨慎理解。
  1. 宏观突发事件及政策调整风险

- 宏观周期分析基于统计周期,突发事件可能导致周期特征遭遇断层。
  1. 交易成本及流动性风险

- 虽调仓频率不高,但模型实际运作时可能面临交易成本及流动性限制,影响实际收益表现。

报告未详细披露风险缓释方案,但通过多模型融合、参数敏感性分析及回测稳健验证降低单一模型风险。[page::9,10]

---

六、批判性视角与细微差别


  • 择时模型鲁棒性

- 多参数多信号融合降低模型对单一指标过度依赖,具备一定稳健性;但模型仍依赖历史规律,未来市场结构突变仍是隐忧。
  • 宏观周期判断的时滞性

- 三周期滤波和傅里叶分析虽提供周期趋势,但对于快速变化的环境如政策临时调整反应滞后,可能导致信号延后。
  • 行业轮动模型的稳定性与实操性

- 月度和周度行业轮动模型均显示不俗表现,但存在季节波动和阶段性失效,尤其行业波动较剧烈时模型表现易受干扰。
  • 主动基金配比与模型信号不匹配

- 主动基金近期风格偏差可能表明市场存在信息割裂,也验证量化择时模型的超额收益机会,但主动基金行为复杂,短期反转可能压制模型表现。
  • 估值方法与投资策略缺乏直观对接

- 报告对具体ETF或行业的估值支撑不足,主要依赖趋势和宏观周期,缺乏价格合理性论证,可能限制部分投资者信心。
  • 没有充分探讨交易成本和滑点

- 虽调仓频率较低,但投资实施层面实际成本可能影响策略净收益,报告未详细讨论。

整体看,报告严谨、数据丰富,观点稳健,但仍需投资者结合自身风险偏好和策略执行能力判断适用性。[page::1-10]

---

七、结论性综合



该报告系统性地构建并检验了红利因子择时策略,核心贡献在于:
  • 通过对红利因子净值长期走势和两个宏观指标进行多组双均线趋势择时系统,显著提高了收益同时降低了风险,具备实战意义;

- 基于全球和国内宏观经济周期的三周期滤波模型指出2025年Q1大概率进入防守区,红利类资产因其稳定现金流和股息特征成为防守配置重点;
  • 月度及AI周度行业轮动模型进一步细化行业选择,推荐银行、非银行金融、交通运输等红利类行业,同时展示模型回测良好,抑制了回撤风险;

- 主动型基金行业配置数据表明市场尚未充分反映红利类资产价值,投资者可关注此类结构性机会;
  • 风险方面提醒策略依赖历史规律可能失效,市场结构变化及宏观变量突变仍是风险隐患。


结合图表深度解析,红利因子的稳定现金流属性和趋势择时模型的有效性使其成为2025年第一季度中A股资产配置的重要组成部分,而行业轮动模型的辅助支持了对典型红利行业的推荐。报告立足于理论和历史回测,建议投资者关注并适度提高红利类资产配置比重,拥抱相对防守、收益稳定的红利因子带来的持续价值。

---

参考溯源标记


  • [page::0,1] 红利因子趋势择时模型构建与多指标关联

- [page::2,3,4] 多组双均线择时模型回测与参数敏感性分析
  • [page::4,5] 全球及中国宏观周期分析与红利资产防守逻辑

- [page::5,6] 行业轮动模型设计与回测评估
  • [page::7,8] AI周度行业轮动模型技术及回测表现

- [page::9,10] 主动基金行业配置测算与超额收益分析

---

总结



本报告是华泰证券量化研究体系中一个应用性极强的投资策略研究,内容涵盖因子投资、宏观经济周期、行业轮动至主动基金偏好分析,方法严谨,数据详实,为资产配置提供了系统全面的量化择时及行业判断框架。报告推荐随着经济进入防守区,红利因子及相关行业ETF资产值得增配,具备较强的投资参考价值。

报告